声明
第一章 绪论
1.1 研究背景
1.2 国内外研究现状
1.2.1 人工智能技术在作战数据中应用
1.2.2 作战仿真的效能评估研究现状
1.2.3 神经网络技术与效能评估
1.2.4 指标降维方法
1.2.5 蚁群算法研究进展
1.3 存在的问题和解决的思路
1.3.1 存在的问题
1.3.2 解决的思路
1.4 论文的主要内容及结构安排
第二章 基于自编码神经网络的指标降维方法
2.1 自编码神经网络
2.2 堆叠稀疏自编码神经网络
2.2.1 稀疏特性
2.2.2 堆叠效果
2.3 指标降维实验
2.3.1 仿真背景介绍
2.3.2 数据预处理
2.3.3 实验结果统计
2.4 本章小结
第三章 基于深度神经网络的效能评估技术
3.1 神经网络模型基本架构
3.1.1 前馈神经网络
3.1.2 卷积神经网络
3.1.3 循环神经网络
3.2 基于CNN的深度神经网络架构
3.2.1 AlexNet
3.2.2 VGGNet
3.2.3 GoogleNet
3.2.4 HighwayNet
3.2.5 ResNet
3.2.6 ResNext
3.3 深度神经网络效能评估实验对比
3.3.1 分类学习
3.3.2 回归学习
3.4 本章小结
第四章 TPN深度神经网络模型
4.1 基于ResNet的网络改进
4.1.1 ResNetV2
4.1.2 DensNet
4.1.3 DPN
4.2 TPN神经网络构建
4.3 TPN在图像分类任务中表现
4.3.1 MNIST 数据集
4.3.2 CIFAR-10数据集
4.4 效能评估实验分析与结果优化
4.5 效能评估实例验证
4.6 本章小结
第五章 基于改进蚁群算法的作战方案全局寻优
5.1 蚁群算法介绍
5.2 蚁群算法改进
5.2.1 路径选择规则
5.2.2 信息素更新规则
5.2.3 信息素区间规则
5.3 作战仿真参数优化
5.4 本章小结
第六章 总结与展望
6.1 本文的主要工作
6.2 未来研究展望
致谢
参考文献
作者在学期间取得的学术成果
国防科学技术大学国防科技大学;